观潮 · 模式预报与气象 AI 观察
秦淮河复合洪涝：重现期从十年一遇到二百年一遇，出口流量涨2.5到3倍、最大淹没面积涨超4倍
> 秦淮河流域只有 2631 平方公里，但出口距长江入海口仅 398 公里，汛期洪水出流量和水位直接受长江潮位顶托。「暴雨—洪水—高潮位」三个因子任意组合都能成灾，过去的设计做法却是先挑最不利条件、把与强降雨对应的高潮位直接当作边界条件，等于跳过了这三个因子的概率性质。这篇论文的做法是先用 Bayesian-Copula 建三变量联合概率分布、识别关键致灾情景，再把情景灌进 HEC-HMS 加 MIKE11/MIKE21 的耦合水动力模型，用最大出口流量、最大淹没面积占比、最高河道水位三个指标量化影响。结果给出的是阶跃式的结论：联合重现期从十年一遇升到二百年一遇，最大出口流量整体涨 2.5—3 倍、最大淹没面积占比涨超 4 倍、最高河道水位接近涨 2 米；同一联合重现期下，不同驱动因子组合也能拉开明显差距，最大出口流量的极差最高达 76.24%。敏感性分析显示暴雨是主导因子（对最大出口流量敏感性 0.95），但高潮位对淹没面积和水位的作用不能忽略。
缺的是哪一块
复合事件是两个或多个事件在时间上同时或连续发生、并通过共同作用触发极端灾害的过程，常有共同的外部触发因素，例如热带气旋同时带来强降雨和风暴潮，导致驱动因子之间显著相关。临近大江大河的流域，洪涝往往同时受本地降水、干流水位和潮汐水位三重影响；极端降雨既能直接产生地表径流，也能迅速抬升主干河流水位、削弱流域排水能力，于是灾害被进一步放大。
已有的技术路径包括理论模型、历史观测分析、数值模拟和机器学习，但主流做法是先识别最不利条件：从历史洪水事件里挑出与强降雨相对应的高潮位，把它和设计重现期降雨一起当作水文水动力模型的输入边界。作者指出这条路的问题——它没有解释除降雨以外其它驱动因子的概率性质，也没有量化各驱动因子之间的相互关系，结果可能把影响程度估高或估低。
Copula 函数能在给定各驱动因子边际分布的前提下刻画它们的依赖结构，已经在意大利的复合事件风险评估、得克萨斯州风暴潮与河流复合洪水等场景用过。但放到秦淮河这类「暴雨—洪水—高潮位」三重组合上，组合作用的放大机制还缺少定量刻画，联合概率模型计算结果的合理性与推断稳定性也需要更合适的方法来保证。
方法怎么搭的
整条链路分两段：先算概率、再算水。
第一段：联合概率分布
环节 · 设置
暴雨因子 · 年最大 7 日面降雨量，由流域内 22 个雨量站逐日降水用泰森多边形法计算
洪水因子 · 同 7 日内秦淮河流域最高日均水位，来自东山、前垾村水文站
高潮位因子 · 同 7 日内长江潮位站最高潮位，来自秦淮新河闸、武定门闸
资料年限 · 1986—2020 年，来源《中华人民共和国水文年鉴·长江流域水文资料》
候选边际分布 · GEV、P-III、Normal、Log-Normal、Logistic、Weibull 六种，极大似然估计参数
拟合优度 · K-S 检验、平均绝对误差 MAE、均方根误差 RMSE、概率点距相关系数 PPCC、确定性系数 DC
候选 Copula · Clayton、Frank、Gumbel、AMH 四种，参数先验分别取伽玛、正态、伽玛、均匀分布
参数估计 · 贝叶斯理论配合混合进化 MCMC 抽样得到参数后验分布
优选准则 · AIC 与贝叶斯信息量准则 BIC
重现期口径 · 「和」型联合重现期，即多个驱动因子同时达到或超过阈值
第二段：水文水动力耦合
环节 · 设置
产汇流 · HEC-HMS 半分布式降雨径流模型，流域划为 65 个子流域、67 条河段、32 个汇流点、1 个分流点、1 个排水点
一维河道 · MIKE11，采用一维非恒定流方程组
二维漫流 · MIKE21，二维圣维南方程组；地形用 12.5 米 × 12.5 米 DEM，非结构化网格剖分后 51616 个网格、29015 个节点
一二维耦合 · MIKE FLOOD 侧向连接，河道水位超过堤顶高程时以侧向堰流形式向二维格网溢流
圩垸处理 · 增加虚拟河道承担圩区降雨径流，经虚拟河道和排涝泵站汇入主干河道
率定与验证 · 2008—2014 年 10 场洪水率定，2015—2020 年 10 场验证
原型过程 · 以 2016 年 6 月 30 日记录的降雨过程作原型暴雨序列，配套的洪水与高潮位过程作原型序列
影响指标 · 最大出口流量 MOF、最大淹没面积占比 PMIA、最高河道水位 MRL
结果数字
三个驱动因子的相关性（图 2 的相关系数矩阵）
因子对 · 肯德尔 τ · 斯皮尔曼 ρ
洪水 — 高潮位 · 0.7681 · 0.9032
暴雨 — 洪水 · 0.5210 · 0.6665
暴雨 — 高潮位 · 0.3663 · 0.5031
洪水与高潮位的相关最强，暴雨与高潮位的交互也不容忽视。三个因子通过非线性叠加构成一个动态耦合的致洪系统。
拟合优选：六种候选分布的 P 值都大于 0.05，说明都能合理刻画各因子序列；按 MAE、RMSE、PPCC 和 DC 优选后，暴雨的最佳边际分布是 Log-Normal，洪水和高潮位都是 Logistic。Copula 方面，Gumbel 函数最能刻画这些因子的联合分布结构，即各驱动因子倾向于同步出现极端值。
模型精度
模型 · 率定期 · 验证期
HEC-HMS（KGE / NSE / RE 均值） · 0.86 / 0.90 / 9.08% · 0.83 / 0.87 / 8.44%
MIKE11 流量 · 0.83 / 0.88 / 12.64% · 0.83 / 0.84 / 8.44%
MIKE11 水位 · 0.90 / 0.89 / 0.33% · 0.85 / 0.82 / 1.24%
三项指标的合格率在率定期和验证期都是 100%。
影响程度随联合重现期的增幅（以十年一遇情景均值为基准）
联合重现期 · 最大出口流量 MOF · 最大淹没面积占比 PMIA · 最高河道水位 MRL
二十年一遇 · +44.67% · +60.21% · +4.45%
五十年一遇 · +88.87% · +185.93% · +11.51%
一百年一遇 · +121.71% · +229.99% · +17.47%
二百年一遇 · +195.23% · +346.26% · +21.70%
从十年一遇跨到二百年一遇，MOF 整体增加约 2.5—3 倍，PMIA 提升超过 4 倍，MRL 上升幅度接近 2 米。三个指标里 PMIA 的相对增幅最大、MOF 次之、MRL 相对平缓。
同一联合重现期内的情景差异（最大值与最小值的相对差）
联合重现期 · MOF · PMIA · MRL
十年一遇 · 75.89% · 19.47% · 6.85%
二十年一遇 · 76.24% · 38.32% · 6.77%
五十年一遇 · 37.79% · 34.59% · 5.47%
一百年一遇 · 56.52% · 12.01% · 1.53%
二百年一遇 · 46.52% · 45.05% · 6.01%
也就是说，同一个重现期标签下，换一组驱动因子组合，最大出口流量的极差能到七成以上。分布之间还存在重叠：部分二十年一遇情景的 MOF 超过了五十年一遇情景的下四分位值，部分百年一遇情景的 PMIA 没达到某些五十年一遇情景的上分位水平。
聚类分档（k-means 结合主成分分析，20 个组合情景）
类别 · 包含情景 · 特征
低风险（橙色） · 十年一遇、二十年一遇 · MOF 与 PMIA 都较低，MRL 低于 10 米
中等风险（绿色） · 五十年一遇、一百年一遇 · MOF 与 PMIA 显著提升，MRL 多在 10—11 米
极端高风险（蓝色） · 二百年一遇 · MOF 与 PMIA 最高，MRL 超过 11 米
敏感性（各因子对指标的敏感性系数）
指标 · 暴雨 · 洪水 · 高潮位
MOF · 0.95 · 0.014 · -0.013
PMIA · 0.72 · 0.025 · 0.48
MRL · 0.66 · 0.017 · 0.56
最大出口流量几乎只对暴雨敏感；最大淹没面积占比对暴雨（0.72）和高潮位（0.48）都敏感；最高河道水位则主要响应暴雨（0.66）和高潮位（0.56）。洪水对三个指标的敏感性都低，但作者强调其作用不可忽视。
原文图
图1 研究区：底图为 12.5 米分辨率 DEM，高程从 -53 米到 410 米，蓝线为河流，斜线阴影为圩垸范围。圩垸式防洪模式下，圩区内降雨径流不能自然汇入主干河道，必须靠泵站抽排——这正是模型里要用虚拟河道加排涝泵站专门承担的那部分水量。
图2 暴雨、洪水、高潮位两两之间的散点图与对角上的边缘分布直方图。洪水与高潮位的肯德尔 τ 达 0.7681、斯皮尔曼 ρ 达 0.9032，是三对里相关最强的；暴雨与高潮位的 τ 只有 0.3663，但 ρ 也有 0.5031，说明极端值之间的同步性仍不可忽略。
图3 各联合重现期下（a）最大出口流量、（b）最大淹没面积占比、（c）最高河道水位的箱型图。中位值随重现期单调上升，箱体高度也在变大：最大出口流量从十年一遇的约 490 立方米每秒升到二百年一遇的约 1490；最大淹没面积占比从约 1.6% 升到约 8.4%；最高河道水位从约 9.4 米升到约 11.4 米。
图4 三个指标随联合重现期的变化曲线与离散范围。（a）最大出口流量在五十年一遇以上明显抬升，（b）最大淹没面积占比持续上行、带宽同步扩张，（c）最高河道水位在二百年一遇已逼近 11.5 米——作者据此指出河道承载能力逐渐逼近极限，极端条件下水位上升可能溢流。
图5 20 个组合情景在 k-means 聚类四个迭代步骤中的 PCA 二维投影：橙色为低风险（十年、二十年一遇），绿色为中等风险（五十年、一百年一遇），蓝色为极端高风险（二百年一遇）。可以看到情景 i 在第 1 步是橙色、第 2 步起转为绿色，作者据此说明部分情景处在不同类别的边界上。
作者承认的限制
限制 · 原文口径
复合机制仍待深入 · 作者明确写「强降雨、高潮位与河道水位的组合影响对流域洪涝灾害的复合影响机制尚需深入解析」，本文做的是概率识别加情景量化，不是机制解析
旧做法的偏差方向无法预判 · 把最不利条件直接当边界条件的做法未完全解释其它驱动因子的概率性质、未量化因子间相互关系，可能导致影响程度的高估或低估——两种方向都可能
暴雨空间均匀假定 · 情景构建时「假定研究区设定时段内暴雨在空间上均匀分布」，未考虑降雨的空间分布差异
一维模型需二次率定 · 因 HEC-HMS 与 MIKE11 的水流计算原理不同，耦合数据后的一维水动力模型必须重新率定与验证，才能保证仍然准确有效
聚类边界不唯一 · 部分情景在不同迭代步骤中类别归属发生变化，说明其特征处于不同类别的边界，分档不是硬边界
人为调控带来不确定性 · 工程调度等人为调控改变了水量的时空分配，使灾害结果呈现高度不确定性；城市化又削弱下垫面自然调蓄能力、缩短产汇流时间
洪水因子敏感性低但不可忽视 · 洪水对 MOF、PMIA、MRL 的敏感性分别只有 0.014、0.025 和 0.017，但作者强调其作用「仍不可被忽视」
一句话判断
这篇论文把「复合」两个字从概念落到了可算的量上：三个因子不是简单叠加，而是各有各的敏感指标——暴雨打出口流量，暴雨和高潮位一起打淹没面积与河道水位，洪水本身不直接抬高指标却把另外两个因子的相关性拉到 0.9；换句话说，防秦淮河的极端洪涝，盯住降雨预报和水位顶托两端，比盯住干流来水本身更有效。